論文の概要: Image Based Reconstruction of Liquids from 2D Surface Detections
- arxiv url: http://arxiv.org/abs/2111.11491v1
- Date: Mon, 22 Nov 2021 19:33:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-24 14:59:49.887672
- Title: Image Based Reconstruction of Liquids from 2D Surface Detections
- Title（参考訳）: 2次元表面検出による液体のイメージベース再構成
- Authors: Florian Richter, Ryan K. Orosco, Michael C. Yip
- Abstract要約: 本稿では,画像データから液体を再構成する際の課題に対する解決法を提案する。
液体を復元する際の課題は, 表面の硬さや変形を考慮せず, 深度検知や色特徴を利用できない点にある。
粒子からレンダリングされた表面と表面検出との誤差を最小限に抑えて、粒子として液体を再構成する新しい最適化問題を提案する。
- 参考スコア（独自算出の注目度）: 17.663106578822976
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this work, we present a solution to the challenging problem of
reconstructing liquids from image data. The challenges in reconstructing
liquids, which is not faced in previous reconstruction works on rigid and
deforming surfaces, lies in the inability to use depth sensing and color
features due the variable index of refraction, opacity, and environmental
reflections. Therefore, we limit ourselves to only surface detections (i.e.
binary mask) of liquids as observations and do not assume any prior knowledge
on the liquids properties. A novel optimization problem is posed which
reconstructs the liquid as particles by minimizing the error between a rendered
surface from the particles and the surface detections while satisfying liquid
constraints. Our solvers to this optimization problem are presented and no
training data is required to apply them. We also propose a dynamic prediction
to seed the reconstruction optimization from the previous time-step. We test
our proposed methods in simulation and on two new liquid datasets which we open
source so the broader research community can continue developing in this under
explored area.
- Abstract（参考訳）: 本研究では,画像データから液体を再構成する問題に対する解決法を提案する。
従来のリコンストラクションでは表面の剛性や変形に直面することのない液体の再構成は、屈折率、不透明度、環境反射の変動指標による深度検知や色特徴の活用が困難である。
したがって、液体の表面検出(すなわち二成分マスク)のみを観察として限定し、液体の性質について事前の知識を仮定しない。
粒子からの描画面と表面検出との誤差を最小限に抑えながら、液体を粒子として再構成する新たな最適化問題を提案する。
この最適化問題の解法を提示し,それを適用するためのトレーニングデータを必要としない。
また、前回の時間ステップから再構成最適化をシードする動的予測も提案する。
提案手法をシミュレーションでテストし,新たな2つの液体データセットをオープンソースとして公開することで,より広範な研究コミュニティが検討中の領域で開発を続けられるようにした。
関連論文リスト
- LiqD: A Dynamic Liquid Level Detection Model under Tricky Small
Containers [5.361320134021586]
本稿では,U2-Netに基づくコンテナ動的液位検出モデルを提案する。
実験結果から, 容器内の液体の動的液体レベル変化を効果的に検出できることが示唆された。
論文 参考訳（メタデータ） (2024-03-13T05:53:25Z) - Inpainting Computational Fluid Dynamics with Deep Learning [8.397730500554047]
有効な流体データ補完法は、流体力学実験において必要なセンサー数を削減する。
流体データ完備化問題の誤った性質は、理論解を得るのを違法に困難にしている。
ベクトル量子化法を用いて、完全および不完全流体データ空間を離散値下次元表現にマッピングする。
論文 参考訳（メタデータ） (2024-02-27T03:44:55Z) - DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。
画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。
MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2023-12-11T18:38:28Z) - NeuSD: Surface Completion with Multi-View Text-to-Image Diffusion [56.98287481620215]
本稿では,対象物の一部のみを捉えた複数の画像から3次元表面再構成を行う手法を提案する。
提案手法は, 表面の可視部分の再構成に神経放射場を用いた表面再構成法と, SDS (Score Distillation Sampling) 方式で事前学習した2次元拡散モデルを用いて, 可観測領域の形状を再現する手法である。
論文 参考訳（メタデータ） (2023-12-07T19:30:55Z) - Depth-NeuS: Neural Implicit Surfaces Learning for Multi-view
Reconstruction Based on Depth Information Optimization [6.493546601668505]
ニュートラルサーフェス表現とレンダリングの方法、例えばNeuSは、ボリュームレンダリングを通じてニュートラルサーフェスを学習することがますます人気になっていることを示した。
既存の手法では深度情報の直接表現が欠けているため、幾何学的特徴によって物体の再構成が制限されない。
これは、既存の手法では、深度情報を使わずに表面の正規表現しか使わないためである。
多視点再構成のための深度情報最適化に基づくDepth-NeuSと呼ばれる暗黙曲面学習手法を提案する。
論文 参考訳（メタデータ） (2023-03-30T01:19:27Z) - Physics Informed Neural Fields for Smoke Reconstruction with Sparse Data [73.8970871148949]
まばらなマルチビューRGBビデオから流体を高忠実に再現することは、まだまだ難しい課題だ。
既存のソリューションは、障害物や照明に関する知識を前提とするか、障害物や複雑な照明のない単純な流体シーンのみに焦点を当てる。
本稿では, 制御物理(Navier-Stokes方程式)をエンドツーエンドの最適化で活用することにより, 動的流体を再構築する最初の方法を提案する。
論文 参考訳（メタデータ） (2022-06-14T03:38:08Z) - N-SfC: Robust and Fast Shape Estimation from Caustic Images [0.0]
本稿では,2つのコンポーネントを再構築パイプラインに組み込んだ学習ベース拡張(denoising module)と最適化プロセスを紹介する。
我々は,3次元ガラス印刷における計算速度と最終表面誤差の点で,現状を著しく上回っている。
論文 参考訳（メタデータ） (2021-12-13T14:45:08Z) - NeuS: Learning Neural Implicit Surfaces by Volume Rendering for
Multi-view Reconstruction [88.02850205432763]
物体やシーンを2次元画像入力から高忠実度に再構成するニュートラルサーフェス(NeuS)を提案する。
DVRやIDRのような既存の神経表面再構成アプローチでは、フォアグラウンドマスクを監督する必要がある。
本研究では,従来のボリュームレンダリング手法が表面再構成に固有の幾何学的誤差を引き起こすことを観察する。
マスクの監督なしでもより正確な表面再構成を実現するため,第一次近似ではバイアスのない新しい定式化を提案する。
論文 参考訳（メタデータ） (2021-06-20T12:59:42Z) - Neural UpFlow: A Scene Flow Learning Approach to Increase the Apparent
Resolution of Particle-Based Liquids [0.6882042556551611]
本稿では,深層ニューラルネットワークを用いたシーンフロー推定に基づく高分解能液体の生成手法を提案する。
本手法は, 低分解能粒子ベース液体シミュレーションのみで, 小型・大規模の細部を推測, 合成する。
論文 参考訳（メタデータ） (2021-06-09T15:36:23Z) - AOT: Appearance Optimal Transport Based Identity Swapping for Forgery
Detection [76.7063732501752]
顔偽造検出のための外観の相違が大きい新しい識別スワップアルゴリズムを提案する。
外観のギャップは主に、照明と肌の色における大きな相違から生じる。
実画像パッチと偽画像パッチの混在とを識別するために識別器を導入する。
論文 参考訳（メタデータ） (2020-11-05T06:17:04Z) - Invertible Image Rescaling [118.2653765756915]
Invertible Rescaling Net (IRN) を開発した。
我々は、ダウンスケーリングプロセスにおいて、指定された分布に従う潜在変数を用いて、失われた情報の分布をキャプチャする。
論文 参考訳（メタデータ） (2020-05-12T09:55:53Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。